Contacta con nosotros

Temario del curso

Aprendizaje supervisado: clasificación y regresión

  • Aprendizaje automático en Python: introducción a la API de scikit-learn
    • regresión lineal y logística
    • máquinas de soporte vectorial
    • redes neuronales
    • bosques aleatorios
  • Configuración de un pipeline completo de aprendizaje supervisado utilizando scikit-learn
    • trabajo con archivos de datos
    • imputación de valores faltantes
    • manejo de variables categóricas
    • visualización de datos

Frameworks de Python para aplicaciones de IA:

  • TensorFlow, Theano, Caffe y Keras
  • IA a gran escala con Apache Spark: Mlib

Arquitecturas avanzadas de redes neuronales

  • redes neuronales convolucionales para análisis de imágenes
  • redes neuronales recurrentes para datos estructurados en el tiempo
  • celda de memoria a corto y largo plazo (LSTM)

Aprendizaje no supervisado: agrupamiento, detección de anomalías

  • implementación del análisis de componentes principales con scikit-learn
  • implementación de autoencoder en Keras

Ejemplos prácticos de problemas que la IA puede resolver (ejercicios prácticos utilizando cuadernos Jupyter), por ejemplo 

  • análisis de imágenes
  • pronóstico de series financieras complejas, como los precios de las acciones,
  • reconocimiento de patrones complejos
  • procesamiento del lenguaje natural
  • sistemas de recomendación

Comprensión de las limitaciones de los métodos de IA: modos de fallo, costos y dificultades comunes

  • sobreajuste
  • compromiso entre sesgo y varianza
  • sesgos en los datos observacionales
  • envenenamiento de redes neuronales

Trabajo de proyecto aplicado (opcional)

Requerimientos

No se requieren requisitos específicos para tomar este curso.

 28 Horas

Número de participantes


Precio por participante

Reseñas (2)

Próximos cursos

Categorías Relacionadas